Support_de_cours_SPC_FI-2013 [Lecture Seule] [Mode de Compatibilité]

8/8/2019 Support_de_cours_SPC_FI-2013 [Lecture Seule] [Mode de Compatibilité]

1/64

1

MODULE MSP/SPC

Cycle de formation d’ingénieur

EI.CESI BORDEAUX

Th. Perreaud – 6-Sigma Black Belt (certified trainer)

13/09/2011 2

Satisfaction du client

ContexteEnjeux et objectifs

Performance

Amélioration de laqualité interne et

externeRéduction des coûts

Amélioration desperformances des

processus

Réduction des variabilitésNon récurrence des problèmes

Détermination des niveauxde facteurs optimaux

Plan d’expérienceManagementde processus

MSP

SPC – Thierry Perreaud


2/64

2

ContexteLe coût de la non-qualité ?

13/09/2011 SPC – Thierry Perreaud 3

Outre le coût directement occasionné par la détection etla retouche des défauts, il faut aussi prendre en compte :

Les conséquences de la déception d’un client (parts de marché)

Le potentiel d’un rendement accru (bénéfices)

L’augmentation cachée des délais de production

Les coûts liés à la commande de matériaux de remplacement

Les coûts liés à la gestion des défauts

Dans la plupart des entreprises, le coût de la non-qualitéreprésente probablement 25% du chiffre d’affaire.

Dans presque toutes les entreprises où ce coût estinconnu, il dépasse la marge bénéficiaire.

13/09/2011 4

ContexteQualité interne et externe


Le triangle deBird :

L’étude de Bird (1969) démontrait qu’il existe un lien statistiqueentre les différentes pertes accidentelles que subit uneorganisation dans le cadre de ses activités.

On peut faire une analogie entre le domaine de la sécurité etcelui de la qualité.

Produit non conforme en clientèle

Pièce non conforme après contrôle en ligne

Sous-ensemble non conforme au contrôlefinal

Produit non conforme après contrôle final


3/64

3

13/09/2011 5

ContexteMSP/SPC : une stratégie de contrôle

Définition du contrôle

Le contrôle est un moyen de soutenir l’amélioration, soit enéliminant toute opportunité de défaut, soit en surveillantl’amélioration du processus par le biais d’un système de suivi.

Objet du contrôle

Elaborer une stratégie destinée à faire en sorte que lesaméliorations soient bien soutenues.


13/09/2011 6

ContexteMSP/SPC : une approche Lean

Objectif du contrôle du point de vue Lean :

Eliminer les gaspillages dû aux défauts

Ne pas créer de tâche sans valeur ajoutée.

Un des 7 types de gaspillage : celui dû aux défauts(MUDA)

Corriger : le fait d'agir après avoir provoqué des défauts. Inclut lesopérations de tri, de retouche et plus généralement les ICA.

Rebuter : les matières premières et les heures de travail.(Production ou Administratif).

Travailler à partir d'informations erronées.

Amener d'autres erreurs.



4/64

4

13/09/2011 7

ContexteDévelopper une stratégie de contrôle MSP/SPC

Etapes de mise en œuvre d’une stratégie de contrôle :

Sélectionner la caractéristique à contrôler appropriée

Sélectionner le point de collecte des données

Sélectionner le type de graphe de contrôle

Etablir la taille d’échantillon appropriée ainsi que la fréquence

Déterminer la méthode/les critères de mesure

Procéder à l’Analyse du Système de Mesure (ASM) à long terme

Procéder à une étude initiale de capabilitéDévelopper des procédures de collecte

Fournir des instructions écrites et former le personnel


13/09/2011 8

Prévention :Une stratégie de contrôle orientée sur la prévention consiste àéviter l’apparition de non-conformités.

Il s’agit de supprimer la cause de l’erreur.

Détection :Une stratégie de contrôle orientée sur la détection consiste àmettre en œuvre des systèmes de contrôle permettant de détecterles non-conformités dans le processus de manière à ce qu’elles neparviennent pas jusqu’au client (externe ou interne).

Exemple :

• Un équipement de mesure placé en amont de l’op 20 d’une ligne defabrication empêche les pièces non-conformes de l’op 10 d’êtreusinées à l’op 20 : il s’agit d’une stratégie de contrôle orientée sur ladétection qui n’empêche pas la réalisation de non-conformité à l’op 10.

ContextePrévention / Détection



5/64

5

13/09/2011 9


Idéal Prévention • Rendre l’occurrence deserreurs impossible : systèmesanti-erreur

Mieux Détection • Détecter les erreurs en coursde processus

Bien Détection • Détecter les défauts avantpassage à l’étape de processussuivante

Prévention ou Détection :


13/09/2011 10


Prévention - Systèmes anti-erreur POKA YOKE :

Avantages

Certitude que les non-conformités ne parviendront pas au client.

Suppression des tâches sans valeur ajoutée (contrôle à 100% etretouche) compensant les surcoûts éventuels de conception ou demise en œuvre des systèmes anti-erreurs.

Réduction des coûts de garantie, amélioration de l’image de marque.

Prévention des dommages sur le produit

Prévention des risques corporels et des dommages machine

Eliminent les options entraînant des actions incorrectes

Ne nécessitent pas de formation approfondie (conception dessystème anti-erreurs).



6/64

6

13/09/2011 11


Prévention - Systèmes anti-erreur :

Mise en œuvreFormation aux techniques anti-erreur

Approche globale de la conception à la fabrication

Utilisation à envisagée dès l’AMDEC

Analyse des “5 pourquoi” pour déterminer la cause première

Vérification des actions anti-erreurs au moyen de “Masters”

Intégration aux procédures existantes


13/09/2011 12


Détection : Deux moyens de détection courants

Des moyens d’affichage et de maîtrise (ou management)visuels :

Communiquent des informations importantes mais ne contrôlentpas ce que les personnes ou les machines font.

Des moyens de maîtrise (ou management) visuels :

Communiquent des informations et/ou intègrent des contrôles ausein du processus de manière à ce que les activités soienteffectuées conformément aux normes.

Certain de ces moyens font partie de ce qu’on nomme l’“Ateliervisuel”.



7/64

7

Principes


Rappel de

statistiques

Principes

Introduction

à la mesure

Graphes de

contrôle

SPC

Etude de

Capabilité

PrincipesDéfinition

MAÎTRISE :

« Meilleure connaissance de »

« Mise sous contrôle de »

STATISTIQUE :

Lois mathématiques qui permettent de travailler sur tous les paramètres

QUANTIFIABLES (nombres)

PROCEDE :

Ne se limite pas uniquement à la machine

Englobe tous les principaux facteurs ayant

une influence sur un poste de travail donné



8/64

8

PrincipesQue dit Wikipédia ?

Utilisation de représentations graphiques montrant lesvariations des processus dans le temps.

Permet d’anticiper sur les mesures à prendre pouraméliorer n'importe quel processus de fabricationindustrielle (automobile, métallurgie, etc.)

Discipline implantée au Japon après la Seconde Guerremondiale grâce à William Edwards Deming (14/10/1900 –20/12/1993), statisticien, professeur, auteur, conférencier

et consultant américain.Les théories de Deming ont remis en question lesprincipes de la division du travail prônés par Taylor.


PrincipesQue dit Wikipédia ?

L'amélioration de la qualité des produits japonais avecl'utilisation systématique des cartes de contrôle a étételle, que les pays occidentaux ont développé à leur tourdes outils pour le suivi de la qualité à partir de 1980.

Utilise un certain nombre de techniques telles : le contrôlede réception, les plans d'expérience, les techniques derégression, les diagrammes de Pareto, la capabilité.... Etles cartes de contrôle.



9/64

9

PrincipesObjectif : Produire le minimum de non-conformité


Qualité accrue par l'utilisation d'outils statistiques visant à uneproduction centrée et la moins dispersée possible

Contrôle de la qualité dynamique : il ne suffit pas qu'une pièce soitdans les limites de spécifications, il faut aussi surveiller la répartitionchronologique des pièces à l'intérieur des intervalles de contrôle

Approche ‘données’ (mesurer, mettre en question, savoir, décider)

Pilotage des procédés avec pour motivations principales :

La stabilité du procédé.

La détection des dérives et la prévention des défaillances.

L'analyse du procédé permettant d’y apporter des améliorations.

Processus SortieEntrées

MSP/SPC

Etonnant … non ?

PrincipesSPC : l’approche ‘données’

L’approche ‘données’ de la prise de décision

• Nous agissons seulement à partir de ce qui est connu.

• Nous en savons plus quand nous cherchons.

• Nous cherchons ce que nous mettons en question.

• Nous mettons en question ce que nous mesurons.

• Si nous mettons en question et mesurons, nos décisionsreposeront sur des données plutôt que sur des intuitions.



10/64

10

Rappel de Statistiques


Rappel de

statistiques

Principes

Introduction

à la mesure

Graphes de

contrôle

SPC

Etude de

Capabilité

Rappel de StatistiquesIntroduction - Loi normale (un peu de théorie)


0,000

0,010

0,020

0,030

0,040

60 70 80 90 100 110 120 130 140

2

121

( )2

x

y f x e

µ µµ µ

σ σσ σ

σ π σ π σ π σ π

− −

= =

Quelques caractéristiques :Courbe en cloche.

X: Variable aléatoire

F(x): densité de probabilité

µ: espérance mathématique ou moyenne

σ: écart-type

Variablealéatoire

Densité deprobabilité

moyenne

Point

d’inflexion

σσσσ


11/64

11

Rappel de StatistiquesRépartitions statistiques

On peut décrire le comportement de n’importe quelprocessus ou système en indiquant de multiples points dedonnées pour la même variable

sur une certaine durée

pour plusieurs produits

sur diverses machines, etc.

L’accumulation de ces données peut être considéréecomme une répartition de valeurs représentée par :

des graphiques à points

des histogrammes

des courbes normales ou autre répartition “arrondie”


Rappel de StatistiquesLe graphique à points

Imaginez une pompe à débit étalonné de 50 litres/mn.

Le débit réel de la pompe est mesuré en 100 occasionsdistinctes.

Chaque point est porté sur le graphique et représente la“survenance” du débit à une certaine valeur. A mesure que lespoints s’accumulent, la nature de la performance de la pompeémerge comme une “répartition” du débit.



12/64

12

Rappel de StatistiquesL’histogramme

Imaginons maintenant les mêmes données groupées en “intervalles”avec le nombre de fois qu’un point de vitesse de la pompe tombe àl’intérieur d’un intervalle qui détermine la hauteur de la barred’intervalle.


51.350.850.349.849.348.8

40

30

20

10

0

L/min)

F r é q u e n c e

Rappel de StatistiquesCourbe progressive (normale)

Enfin, nous pouvons voir les données sous forme d’unecourbe progressive de points qui représentent des données.Dans cet exemple, utiliser la courbe progressive, donne uneapproximation de l’aspect des données si nous collections

un nombre infini de points de données.



13/64

13


Population :

Un groupe entier d’objets présentant une caractéristique intéressantedont on ne connaitra probablement, jamais les paramètres réels.

Echantillon :

Le groupe d’objets véritablement mesuré dans une étude statistique quiest un sous-ensemble de la population à laquelle on s’intéresse.

Rappel de StatistiquesParamètres de population contre échantillons

Moyenne d ’échantillon=X

“Paramètres de populat ion” “Statist iques d’échantillons”

µ = Moyenne de population

s = Déviation standardd’échantillon

σ = Déviation standardde population

Echantillon

Population

Rappel de StatistiquesParamètres de population contre échantillons


Moyenne dePopulation

N

X N

i

i∑=1= µ

Moyenned’échantillon

n

x

x

n

i=

i∑1=

Déviation Standardde Population

N

µ )(X N

i=

i∑ −1

2

=σ

Déviation Standardd’échantillon

( )

1 ˆ

2

1

−

−

==∑

=

n

x x

s

n

i

i

σ


14/64

14

Rappel de Statistiques

Mesures de tendance centrale


Moyenne : moyenne arithmétique d’un ensemble devaleurs

Reflète l’influence de toutes les valeurs

Fortement influencée par les valeurs extrêmes

Médiane : reflète les 50% - le nombre central une foisqu’un ensemble de chiffres a été trié

Ne tient pas forcément compte de toutes les valeurs

Est “dure” avec les valeurs extrêmesMode :

La valeur la plus fréquente dans les ensembles de données


Description des répartitions

Rappel de StatistiquesMesures de tendance centrale (suite)

Mode

22 points de données22 points de données

Médiane

5 6 7 8 9 10 11 12 13 14

Moyenne (8,16)12345678910

11


15/64

15

minmax−=Plage

Rappel de StatistiquesMesures de la variabilité

Plage (range) :

Distance numérique entre valeurs maximaleset minimales d’un ensemblededonnées.

Variance (σ2 ; s2) :

La déviation moyenne au carré de chaquepoint de donnée par rapport à la moyenne,divisée par la taille d’échantillon.

Déviation Standard (σ ; s) :

La racine carrée de la variance.

Mesure la plus fréquemment utiliséepour quantifier la variabilité


N

µ )(X N

i=

i∑ −1

2

=σ

N

µ )(X N

i=

i∑ −1

2

2=σ

Rappel de StatistiquesCaractéristiques de la répartition normale

Caractéristique 1 :

on peut décrire une répartition normale en connaissant seulement :

la moyenne

la déviation standard


Répartition N°1

Répartition N°2

Répartition N°3

Qu’est-ce qui différencie ces trois répartitions normales ?


16/64

16


Caractéristique 2 : la courbe normale et ses probabilités

Le nombre d’écarts types (la surface en-dessous de la courbe)peut être utilisée pour estimer la probabilité cumulative del’apparition d’un certain “évènement”.


P r o b a b i l i t é

d e l a v a l e u r

Nombre de déviations standard par rapport à la moyenne43210-1-2-3-4

40%

30%

20%

10%

0%

99,73%

95%

68%Probabilité cumulative

de l’obtention d’unevaleur située entre ces

deux valeurs


Caractéristique 3 :

Les variances s’ajoutent, pas les déviations standard.

Les variances des données de départ sont ajoutées pour calculerla variance totale dans les données d’arrivée.


22

Total

222

2

2

X

1

2

X

2

total

21

21

2

1

Donc,

alors,

;Xdépartdevariablelaàduevariance

;Xdépartdevariablelaàduevariance

processus;derésultatduvarianceSi

X X

X X Total

σ σ σ

σ σ σ

σ

σ

σ

+=

+=

=

=

=


17/64

17

Rappel de StatistiquesGraphique de probabilité normale

Nous pouvons tester si un ensemble de données peutêtre décrit comme “normal” grâce à un test de normalité(ou avec un graphique de probabilité normale). Si cen’est pas le cas, il ne sera pas possible de mettre enplace une stratégie de contrôle par MSP.

Si la répartition est proche de la normale, le graphique deprobabilité normale sera en ligne droite.

C’est l’occasion d’utiliser Minitab afin de créer facilement

un graphique de probabilité normale.Formation Minitab page 1 à 15

Fichier training data minitab.xls

Ouvrir Minitab13/09/2011 SPC – Thierry Perreaud 33

Introduction à la mesure


Rappel de

statistiques

Principes

Introduction

à la mesure

Graphes de

contrôle

SPC

Etude de

Capabilité


18/64

18

13/09/2011 35

Une mesure décrit la quantité, la capacité ou laperformance d’un produit, d’un processus ou d’un service,selon les données observables.

Elle peut concerner une caractéristique quantitative ou

qualitative (propreté, présence de gras, etc.). Dans cedernier cas, une définition opératoire ou l’utilisation deréférentiel, par exemple, peuvent aider le contrôleur.

Introduction à la mesureMesures & variations - Définition de la mesure


Introduction à la mesureMesures & variations - Attributs & variables


Données attributs Données variables

GO/NO GO

2% des pièces sont horsspécification


19/64

19

13/09/2011 37

Introduction à la mesureMesures & variations - Utilisation des mesures

Des mesures peuvent être effectuées au niveau desentrées, du processus lui-même ou de ses sorties.

La mesure permet aux équipes …D’établir une performance de référence du processus

D’isoler les sources de variation

D’identifier les zones d’améliorations possibles

Entrées

Entrées

Processus

Entrées

Sorties

Sorties



Introduction à la mesureEtapes du déploiement d’une stratégie de mesure

Développerune

stratégie decontrôle

Développerune ASM

Développerun plan decontrôle

Développerun plan de

réaction

Réaliser l’AMDECdu processus

Etablir lediagramme de flux

du processus


20/64

20

13/09/2011 39

Introduction à la mesureMesures & variations - Variation

Toutes les activités répétitives d’un processus offrent uncertain degré de fluctuations.

Les mesures des entrées, du processus et des sortiesfluctuent également.

Cette fluctuation est appelée variation.

Mesure

Temps


13/09/2011 40

Introduction à la mesureMesures & variations - Sources de variation

Machines

Matières

Méthodes

Mesure

Mère Nature

PersonnelOu M.O.

PRO

CESSUS



21/64

21

13/09/2011 41

Introduction à la mesureMesures & variations - Deux types de variation

Causes communes comparées aux causes spéciales

Cause commune

Cause spéciale

Type de variation Définition Caractéristiques

Pas d’effetexagéré de l’unquelconque des

5M et 1P

Effet exagéréprovoqué par undes 5M et 1P au

moins

AttenduePrévisibleNormale

InattendueImprévisiblePas normal


13/09/2011 42

Introduction à la mesureMesures & variations - AMDEC/FMEA

Lorsque la sortie est inférieure aux attentes client enraison d’une variation, le processus est réputé en mode dedéfaillance.

L’AMDEC -Analyse des Modes de Défaillance, de leursEffets et Criticité- ou en anglais FMEA -Failure Modes, Effects and Analysis- est un moyen d’observer les effets de la variation.

L’AMDEC est une procédure méthodique qui :

reconnaît et évalue la défaillance potentielle d’un produit ou d’unprocessus et les effets de celle-ci,

identifie les actions qui pourraient éliminer ou réduire la survenuede la défaillance potentielle,

documente le processus.SPC – Thierry Perreaud


22/64

22

13/09/2011 43

Introduction à la mesureMesures & variations - Objectifs de l’AMDEC


Développer des plans de vérification de conceptionrobustes.Réduire le délai des développements et leur coûts.Améliorer la qualité, la fiabilité et la sécurité desproduits/services évalués.

Documenter et suivre les actions pour réduire le risque.Aider à la mise au point de plans de contrôle robustes.Prioriser les problèmes, empêcher leur apparition.Améliorer la satisfaction des clients.

Introduction à la mesurel’AMDEC - Traitement du risque


Notation des défaillances dans l’AMDEC :

Ordre dans lequel le risque doit être traité :Gravité (Grav)Criticité = Grav × Occ)Indice ou Nombre de Priorités de RisquesIPR ou NPR = Grav × Occ × Dét


23/64

23

Introduction à la mesureAnalyse du système de mesure - Définition

13/09/2011 45SPC – Thierry Perreaud

L’analyse du système de mesure est une évaluationquantitative des outils et processus utilisés lors del’observation des données.

On parle de ASM ou de MSA en anglais pourMeasurement System Analysis

L’ASM indique le % de variation des données deprocessus qui provient d’erreurs de mesure.

On distingue deux types d’études selon que les données

dont on dispose sont de type « attribut » ou « variable ».Remarque : Le système de mesure idéal est celui quiproduit des mesures “exactes” à chaque fois qu’on l’utilise(partialité nulle, variance nulle).

Introduction à la mesureAnalyse du système de mesure


Assurance que les données collectées représententréellement tous les éléments du processus

Comparaison de plusieurs système de mesure

Evaluation d’un système de mesure suspecté déficient oud’un nouvel équipement de mesureInformations recherchées :

Le système de mesure est-il capable pour cette étude ? Pouvons-nous détecter une amélioration du processus ?

Quel erreur, quel degré d’incertitude est associé à une mesure ?

La discrimination peut-elle refléter la variation existante ?

Quelles sont les sources d’erreur de mesure ?

Le système de mesure est-il stable dans le temps ?


24/64

24

Introduction à la mesureASM - Etude R&R variables - Variation observée

Sources des variations observées

13/09/2011 47

Pour examiner la variabilité du processus, il faut d’abord identifier lavariation due au système de mesure et la distinguer de celle due au

processus.

Variation due àl’instrument de

mesure

Variation deprocessus à long

terme

Variation deprocessus à court

terme

Variation réelle de processus

Etalonnage Stabilité Linéarité

Variation des mesures

Variation de processus observée

Répétabilité

Variation due auxopérateurs

Unpeu dethéorie


Introduction à la mesureASM - Etude R&R variables - Variation observée

Sources des variations observéesVision statistique

13/09/2011 48

Système de Mesure (SM)σ

Valeurs réelles Valeursmesurées

LISLimite Inférieure de

Spécification

LSSLimite Supérieurede Spécification

Système de mesure

Processusσ Totalσ

µ total µ processus µ Système de Mesure

Unpeu dethéorie



25/64

25

Introduction à la mesureASM - Etude R&R variables - Variation mesures

Sources des variations des mesures

13/09/2011 49

Variation desmesuresHumidité

Propreté

Vibration

Variation de la tension d’alimentationFluctuation de température

Techniques des opérateursTemps de mesure suffisant

Procédures standard Niveau de maintenance

Fréquence de l’étalonnage

Formation des opérateurs

Facilité de la saisie des données

Instabilité d’algorithme

Instabilité électrique

Usure

Instabilité mécanique

Appareils de mesures

Environnement

Méthodes de mesures


Introduction à la mesureASM - Etude R&R variables – Justesse/exactitude

Partialité ou justesse : déterminé par “l’étude d’étalonnage”Ecart entre la moyenne de toutes les mesures et la valeur réelle.

Partialité de l’opérateur : des opérateurs différents obtiennent desmoyennes différentes pour les mêmes mesures sur la même pièce;

Partialité de la machine : des machines différentes obtiennent desmoyennes différentes pour les mêmes mesures sur la même pièce

13/09/2011 50

Valeursréelles Valeurs

mesurées

Partialité

Unpeu dethéorie

Exprime le fait que la moyenne des mesuresdévie par rapport à la valeur réelle (valeurthéoriquement correcte par rapport à des normes)


µ µ µ Total Processus= − Système de Mesure


26/64

26

Introduction à la mesureASM - Etude R&R variables - Précision

Variation totale du système de mesure

Variation naturelle des mesures répétées

Termes : erreur aléatoire, répartition, erreur detest ou de re-test

13/09/2011 51

Unpeu dethéorie

222

Système de MesureProcessusTotal σ σ σ + =

Précision : déterminépar “l’étude R&R”

Valeursréelles

Valeursmesurées

Variationsystème de

mesure

Répétabilité et Reproductibilité

σ σ σ 2 2 2

Système de Mesure répétabilité reproductibilité = + SPC – Thierry Perreaud

Introduction à la mesureASM - Etude R&R variables - Répétabilité

La répétabilité est la variation des mesures obtenuesavec un instrument de mesure utilisé plusieurs fois par uninspecteur mesurant une caractéristique sur la mêmepièce. Ce terme fait référence à :

La variabilité inhérente au système de mesure à court termeLa variation se produisant lors des mesures répétées du mêmearticle faites dans des conditions absolument identiques :

même inspecteur

même configuration, mêmes conditions environnementales

mêmes unités

Elle est estimée par la déviation standard moyenne de larépartition de mesures répétées.



27/64

27

Introduction à la mesureASM - Etude R&R variables - Reproductibilité

La reproductibilité est la variation de la moyenne desmesures faites par différents inspecteurs utilisant uninstrument de mesure mesurant les mêmescaractéristiques du même article. Ce terme renvoie à :

La variation qui résulte de l’utilisation de différentes conditionslors de la prise de mesure :

différents inspecteurs,

différentes configurations, unités, conditions environnementales,

différents systèmes de mesure.

Par exemple, la reproductibilité peut être associée àl’utilisation de plusieurs instruments de mesure par uninspecteur pour mesurer les mêmes caractéristiques dumême article.


Introduction à la mesureASM - Etude R&R variables - Terminologie

Linéarité :

Mesure Exactitude et Précision sur laplage des capacités de l’instrument.

Discrimination :Graduations de l’instrument < 1/10ème dela spécification du produit ou de lavariation du processus.

Stabilité :

Répartition des mesures sansglissement, décalage subit ou cycles.

Elle peut être prédite dans le temps(moyenne et déviation standard).

13/09/2011 54

Calibre de référence

C a l i b r e é t u d i é


Bonne Discrimination

Mauvaise Discrimination

0

0

Pièce àmesurer

M e s u r e

s Temps


28/64

28

Introduction à la mesureASM - Etude R&R variables - Corrélation

Une mesure de l’association linéaire entre deux variables,par exemple, deux méthodes de mesure différentes oudeux laboratoires différents.

13/09/2011 55

Corrélation positiveavec décalage

décalage

Corrélation positivesans décalage Pas de corrélation

Corrélation négativeavec décalage


Introduction à la mesureASM - Etude R&R variables - % R&R

% Répétabilité et Reproductibilité (% R&R)

Indique quel pourcentage de la tolérance est pris par l’erreur demesure.

Idéal : < 10% Acceptable : < 30%

Couvre la répétabilité et la reproductibilité

si le R&R est inférieur à 30% du sigma total, l’effet est < 5%

s’il est inférieur à 10% du sigma total, l’effet est < 1%

13/09/2011 56

% & R R SM

Total

= ×σ

σ 100


Unpeu dethéorie


29/64

29

Introduction à la mesureASM - Etude R&R variables - % R&R

13/09/2011 57

Unpeu de

théorie


Variance système de mesure :

Résultat principal de l’étude analytique R&R de jauge

Pour déterminer si le système de mesure est utilisable pour uneapplication, il faut comparerla variation des mesures à celle duprocessus

Taux de contribution : idéal < 1% ; acceptable < 9%

Tauxprécision/tolérance (P/T) : idéal < 10% ; acceptable< 30%

Ou Indice de capabilité instrument (ICI) = ( σ SM / tolérance ) x 100Tauxprécision/variationtotale(P/VT): idéal


30/64

30

Introduction à la mesureASM - Etude R&R variables - Interprétation

Utilisation du taux P/T (Précision/Tolérance) :

Estimation la plus courante de la précision d’un système de mesure.

Adéquat pour évaluer la performance du système de mesure par rapportà la spécification.

Toutefois, les spécifications peuvent être trop strictes ou pas assez.

En général, le taux P/T constitue une bonne estimation lorsque lesystème de mesure ne sert qu’à classer des échantillons de production.Mais, si la capacité du processus (Cpk) n’est pas correcte, le taux P/Tpeut vous donner une fausse impression de sécurité.


Valeursmesurées

LIS LSS

Précision du système de mesure

Process non capable

Introduction à la mesureASM - Etude R&R variables - Interprétation

Utilisation du taux P/VT (Précision/Variation Totale) ou %R&R :

Le P/VT (R&R) est une meilleure mesure (que P/T) qui estime laperformance du système en ce qui concerne la variation globale duprocessus.

C’est la meilleure estimation lorsqu’on effectue des études d’améliorationde processus. Faire attention à utiliser des échantillons représentatifs detoute la plage du processus.


Valeursmesurées

LIS LSS

Précision du système de mesure

Valeurs réelles


31/64

31

Introduction à la mesureASM - Etude R&R variables - Ex. de résultat

03/11/2011 61

Le service Trafic d’une entreprise procède dans sonprocédé d’expédition à une opération de pesage.Le système de mesure inclut :

Plusieurs opérateursUne balanceUne procédure pour le pesage

L’entreprise ayant besoin de disposer d’un système demesure fiable afin de réaliser l’affranchissement correct

des colis expédiés, décide de réaliser une ASM.Elle va chercher à déterminer la répétabilité et lareproductibilité du SM en faisant réaliser 5 mesuressuccessives à 3 opérateurs sur 10 colis de poids différents.


Introduction à la mesureASM - Etude R&R variables - Ex. de résultat

Gage name:Date of study:Reported by:Tolerance:Misc:

0111213141516171819 1 2 3

Xbar Chart by Measurer

S a m p l e M e a n

Mean=15.53

UCL=16.89

LCL=14.18

0

0

1

2

3

4

5

6 1 2 3R Chart by Measurer

S a m p l e R a n g e

R=2.8

UCL=5.611

LCL=0

1 2 3 4 5 6 7 8 9 10

1112131415161718

Package

MeasurerMeasurer*Package Interaction

A v e r a g e

123

1 2 3

10111213141516171819

Oper

Response By Measurer

1 2 3 4 5 6 7 8 9 10

1011

1213141516171819

Package

Response By Package

%Contribution

Gage R&R Repeat Reprod Part-to-Part

0

50

100

Components of Variation

P e r c e n t

Gage R&R (ANOVA) for Weight

13/09/2011 62

Composants de la variation

Graphe R par mesureur

Graphe par mesureur

Réponse par colis

Réponse par mesureur

Interaction mesureur/colis

P l a g e é c h a n t i l l o n

P

o u r c e n t a g e

M o y e n n e é c h a n t i l l o n

Nom du calibre :Nom de l’étude :Responsable :Tolérance :Divers :

Etude de calibre R&R (ANOVA) pour poids

LSC=5,611

2,8

LIC=0

LSC=16,89

Moyenne=15,53

LIC=14,18

Colis

Opér

M o y e n n e

Colis

Mesureur



32/64

32

Introduction à la mesureASM - Etude R&R v. - Résultats

03/11/2011 63

Etude R&R d'instrumentation - Méthode ANOVA

Tableau ANOVA à double entrée avec interaction

Somme desSource DL carrés CM F PPièce 9 88,3619 9,81799 492,291 0,000Opérateur 2 3,1673 1,58363 79,406 0,000Pièce * Opérateur 18 0,3590 0,01994 0,434 0,974Répétabilité 60 2,7589 0,04598Total 89 94,6471

Alpha pour supprimer le terme d'interaction = 0,25

Tableau ANOVA à double entrée sans interaction

Somme desSource DL carrés CM F PPièce 9 88,3619 9,81799 245,614 0,000Opérateur 2 3,1673 1,58363 39,617 0,000Répétabilité 78 3,1179 0,03997Total 89 94,6471

Suppression de l’InteractionPièce * Opérateur


Introduction à la mesureASM - Etude R&R v. - Résultats

03/11/2011 64

R&R de l'instrumentation% contribution

Source CompVar de CompVar)R&R d'instrumentation total 0,09143 7,76

Répétabilité 0,03997 3,39Reproductibilité 0,05146 4,37

Opérateur 0,05146 4,37De pièce à pièce 1,08645 92,24Variation totale 1,17788 100,00

Tolérance d'un procédé = 8

Var d'étude % var étude% tolérance

Source Ecart type (6 * écart type) (%VE) (VE/Tolér.)R&R d'instrumentation total 0,30237 1,81423 27,86 22,68

Répétabilité 0,19993 1,19960 18,42 14,99Reproductibilité 0,22684 1,36103 20,90 17,01

Opérateur 0,22684 1,36103 20,90 17,01De pièce à pièce 1,04233 6,25396 96,04 78,17Variation totale 1,08530 6,51180 100,00 81,40

Nombre de catégories distinctes = 4

0,07761,17788

0,091432

2

===total

SM Contributionσ

σ

0,27866 x 1,08530

6 x 0,30237

6 x

6 x

==

=P/VT Total

SM

σ

σ

0,22688

6 x 0,30237

6 x /

==

−=

LIS LSS T P

SM σ

* Automotive Industry Action Group

Nbre de groupesdistinguables dans lesdonnées du procédé.D’après l’AIAG*, lesystème de mesure estacceptable si > 4.



33/64

33

Introduction à la mesureAnalyse du système de mesure - Conclusion

A l’issue de l’ASM, on doit connaitre les éléments suivants :

Le système de mesure est capable de rassembler des données quireflètent avec précision la variation dans le processus.

Quelle est la valeur de l’erreur de mesure.

Les incréments de mesure sont assez petits pour montrer unevariation.

Les sources d’erreur de mesure ont été identifiées.

Si le système de mesure ne satisfait pas à l’analyse, avant de

collecter les données :Modifiez le calibre.

Modifiez le système de mesure.

Faites suivre une formation aux préposés aux mesures.


13/09/2011 66

Introduction à la mesureDévelopper un Plan de Contrôle

Définition :

Description écrite de la stratégie chargée de garantir le soutien desaméliorations.

Objectifs :Améliorer la qualité globale en réduisant les risques d’écarts dequalité.

Réduire le nombre de défauts en maintenant les processus centrés

Aider au dépannage en temps utile des processus

Servir d’outil de communication pour les changements descaractéristiques critiques

Soutenir les améliorations



34/64

34

13/09/2011 67


Etapes du Plan de Contrôle :

Il s’agit du prolongement de l’AMDEC qui doit être la sourceprincipale d’identification des variables clés pour contrôler le Plande Contrôle actuel et en faire une évaluation initiale.

Déterminer les variables de départ clés/critiques

• Schéma de processus

• Modèle Cause & Effet

• AMDEC

• PEPour chaque variable de départ clé/critique, déterminer:

• les systèmes de mesure appropriés

• les relations avec les variables d ’arrivée


13/09/2011 68


Product: Core Team: Date (Orig):Key Contact:Phone: Date (Rev):

Processus Etape de Données Données Spécifications Cap/date Système de %RaR Contrôle Taille Fréquence Plan deprocessus départ d’arrivée du processus (taille mesure actuel échant. échant. réaction

limites & cible d’échantillon)

Exemple de formulaire de Plan de Contrôle :



35/64

35

13/09/2011 69

Introduction à la mesureDévelopper un Plan de Réaction

Définition :

Un Plan de Réaction est la partie du Plan de Contrôle qui fournitles détails sur les actions à prendre si les graphes de contrôleindiquent que le processus n’est plus sous contrôle.

Objectifs :

Guider les opérateurs en cas de processus hors contrôle

Permettre une réaction rapide et efficace.

Assurer la mise en œuvre des mesures correctives

Remarque :

Le recours à un Plan de Réaction standard pour l’entreprise oul’organisation ne peut se substituer dans tous les cas à un Plan deRéaction spécifique.


13/09/2011 70


Eléments d’un Plan de Réaction

Apporter des réponses aux questions suivantes :

Comment différencier une Cause Spéciale d’une Tendance deProcessus ?

Moment approprié de réaction (nombre de points de données hors-contrôle) ?

Quelles actions doivent être prises ?

Qui est responsable de la mise en œuvre de ces actions ?

Qui est responsable de la vérification ?



36/64

36

13/09/2011 71


Etapes de mise en œuvre d’un Plan de Réaction

Préparer un Plan de Réaction pour chaque condition hors contrôle.Les causes sont placées dans l’ordre dans lequel elles doivent êtrevérifiées, en commençant par les plus faciles à vérifier.L’équipe détermine les actions compensatoires à entreprendre siaucune cause n’est identifiée.

Inclure dans le Plan de Réaction des actions correctives à effetimmédiat destinées à protéger le client dès qu’une situation horscontrôle apparait.

Inclure des actions correctives à effet permanent destinées à éviterla récurrence des situations hors contrôle.

Inclure les procédures de collecte et de tri qui auront étédévelopper en précisant les tailles d’échantillon.


13/09/2011 72


Etapes de mise en œuvre d’un Plan de Réaction (suite)

S’assurer que les opérateurs comprennent que le Plan de Réactiondoit être mis en œuvre dès que les outils de suivi du processuspermettent de diagnostiquer une situation hors contrôle (pas

forcément une non-conformité)Passer en revue le Plan de Réaction avec l’équipe projet et leservice technique qui y apportent les modifications éventuelles.L’équipe détermine la documentation nécessaire au plan etcomment former les employés.Valider le Plan de Réaction avec les opérateurs et les formerS’assurer que la formation au Plan de Réaction a été suivi par lesopérateurs.



37/64

37

Etude de Capabilité


Rappel de

statistiques

Principes

Introduction

à la mesure

Graphes de

contrôle

SPC

Etude de

Capabilité

13/09/2011 74

L’analyse de capabilité est l’étude de laperformance d’un processus à répondre

aux attentes des clients (CTQ).

Etude de CapabilitéDéfinition



38/64

38

13/09/2011 75

La performance d’un processus quelque soient la nature desdonnées observées peut être estimée au moyen de lamesure universelle de la valeur 6-Sigma.

DONNÉES VARIABLESCP CPK

PP PPK

DPUPPM DPMO

σ

DONNÉES ATTRIBUTS

Etude de CapabilitéRelation entre indicateurs

PPM


13/09/2011 76

Etude de CapabilitéVariation de processus f(t)

Processus à long termeProcessus à court terme

On estime généralement que ladistribution des données d’unprocessus à long terme sera décaléde 1,5 sigma par rapport aux donnéesissues d’un processus à court terme.

+1,5 σσσσ

CP CPK

PP PPK



39/64

39

13/09/2011 77

Etude de CapabilitéAnalyse de capabilité données attributs

1) Définir :Les unités ; quelle est leur nombre (N)

Les défaut ; quelle est leur nombre (D),

Le nombre d’opportunités pour générer un défaut par unité (O).

2) Calculer le nombre de Défaut Par Million d’Opportunité(DPMO) à l’aide de la formule ci-dessous :

3) L’étape finale consiste à convertir le DPMO en valeurSigma à l’aide de la table de conversion de la valeur Z.Remarques : les valeurs de la tables correspondent à unprocessus à court terme.

DPMO =D

N × O × 1 000 000


13/09/2011 78

Etude de CapabilitéAnalyse de capabilité données attributs - Cpk

DN × O

57500 × 3



40/64

40

13/09/2011 79

CibleLimites de spécificationPlage/RangeDistribution des données

Etude de CapabilitéAnalyse capabilité données variables : Préambule

Avant de déterminer la capabilité d’un processus au moyende données variables, il est important de préciser quelquestermes.

CentrageEcartProbabilité de produire undéfautRendement

Taux de 1ère piècesbonnes


13/09/2011 80

Etude de CapabilitéAnalyse de capabilité données variables - Cible

Pour chaque caractéristique mesurable, il existe unniveau désiré de performance dénommé généralement“cible”.

Exemples :Température du corps : 37°CLivraison d’un colis par la poste : 10 h du matin 48 h après lalevée

Vitesse limite sur autoroute : 130 km/h



41/64

41

13/09/2011 81

Etude de CapabilitéAnalyse de capabilité données variables - Limites

Les limites de spécification ou tolérances fournissentles frontières de la performance acceptable au-dessus ouau-dessous de la cible.

Limite inférieure de spécification (LIS) : Valeur la plus basse acceptable

Limite supérieure de spécification (LSS) : Valeur la plus haute acceptable

Plage (range)Limite Distance numérique entre les valeurs maximales et minimalesd’un ensemble de données.

Exemples : LIS Cible LSSTempérature du corps : 36,8°C 37°C 37,2°C

Livraison colis par la poste (48 h après) : 8 AM 10 AM Midi

Vitesse limite sur autoroute en km/h : 80 130 130


13/09/2011 82

8 AM 9 AM 10 AM 11 AM Midi

Etude de CapabilitéAnalyse de capabilité variable - Distribution

Distribution des données

• Manière dont les données des mesures “s’ajustent”autour de la cible et entre les limites inférieure etsupérieure des spécifications.

Exemple (Livraison colis par la poste 48 h après la levée)

Mesure = nombre de colis livrés



42/64

42

13/09/2011 83

Etude de CapabilitéAnalyse capabilité données variables - Centrage

Le centrage est le processus qui consiste à fairecoïncider la moyenne et la cible.

Exemple (température du corps) :

37,2Cible

37,6Moyenne


13/09/2011 84

x

Une mesureparticulière

x

Écart| – | x x

Etude de CapabilitéAnalyse de capabilité données variables - Ecart

L’ “écart” fait référence à la distance entre une mesureparticulière et la moyenne de toutes les mesures del’ensemble.



43/64

43

13/09/2011 85

Etude de CapabilitéAnalyse capabilité données variables - Ecart type

Variance (σ 2 ; s 2 ) :La somme des écarts individuels au carrédivisé par la taille de l’échantillon.

Ecart type - Déviation Standard (σ ; s ) :La racine carrée de la variance.

Quantifie la variabilité

n − 1

)X(Xn

1i

2

i2

−

=∑=s

)X(Xn

1i

2

i−

=∑=s

n − 1

L’ “Ecart type” renvoie à l’écart collectif de tout l’ensembledes données.

Écart type élevéVariabilité élevée

Écart type faibleVariabilité faible


13/09/2011 86

Etude de CapabilitéAnalyse de capabilité variable - Probabilité

Probabilité de produire un défaut

Il s’agit du pourcentage des données situées au-delà des limitesinférieure et supérieure des spécifications.

Exemple :Probabilité de produire

un défaut = 3%

LIS Cible LSS

1,5 % 1,5 %

Rendement (97 %)



44/64

44

13/09/2011 87

43210-1-2-3-4

30%

20%

10%

Nombre d’écarts types à partir de la moyenne

Courbe normale et zones de probabilité

68 %

95 %

99,73 %

40%

0% P r o b a b i l i t é d e l a

t a i l l e d e l ’ é c h a n t i l l o n Probabilité

cumulatived’obtention

d’une valeur àl’intérieur desécarts types

Etude de CapabilitéAnalyse de capabilité variable - Probabilité


13/09/2011 88

Centrez le processusRéduisez la variation

Cible

LIS LSS

Noncentré

Défauts

Etude de CapabilitéAnalyse de capabilité variable - Indices

Indice intégrant le centrageCpk & Ppk (long terme)

Indice indiquant la variationCp & Pp (long terme)

LIS LSS

Capableetcenter

Cible

CibleNoncapable

Défauts

LIS LSS



45/64

45

13/09/2011 89

Etude de CapabilitéAnalyse de capabilité variable – Indice Cp

Calcul : Il existe deux méthodes de calcul de la capabilitépotentielle (Cp) du processus avec des données variables

Logiciel MinitabCalcul manuel : Le calcul consiste à comparer la tolérance duprocessus à la six écart types.

LSS − LSI

Cp = 6 S

Tolérance

Processus stable

)X(Xn

1i

2

i−

=

∑=

s n − 1

Rappel : on utilisera pour la valeur de s,le calcul suivant :


13/09/2011 90

Etude de CapabilitéAnalyse de capabilité variable - Calcul du Cp

Le processus n’est pas capable. De nombreusespièces dépassent les limites de spécification.

Le processus peut être considéré comme capable(suivant les niveaux d’indice généralement retenus).Moins de 0,3% de produits non conformes serontfabriqué si le processus est centré dans les limitesde spécification).

La variation du processus est inférieure auxspécification. Des produits non conformes peuventêtre fabriqué si le processus n’est pas centré dansles limites de spécification.

Cp < 1

LIS LSS

Cp > 1

Cp = 1



46/64

46

13/09/2011 91

Etude de CapabilitéAnalyse capabilité variable – Indice Cpi / Cps / Cpk

Calcul : Il existe deux méthodes de calcul de la capabilitédu processus avec des données variables

Logiciel MinitabCalcul manuel : le calcul des Cpi et Cps est similaire au calcul duCp, mais prend en compte l’emplacement de la moyenne duprocessus.Cpi : Capabilité d’un processus uni limite (inférieure)Cps : Capabilité d’un processus uni limite (supérieure)

Cpk: Capabilité d’un processus à deux limites de spécification

X − LSICpi = 3 S

LSS − XCps = 3 S

Cpk = min (Cpi Cps)


SPC - Maitrise statistique du Processus


Rappel de

statistiques

Principes

Introduction

à la mesure

Graphes de

contrôle

SPC

Etude de

Capabilité


47/64

47

C o û t

LIS LSS

LIS LSSNominal

VueTraditionnelleAcceptable

SPC - Maitrise statistique du ProcessusIntroduction - Pouvons-nous tolérer la variabilité?

Oui, si le processus remplit ses objectifs.

Oui, si la variabilité totale est relativement faible parrapport aux spécifications du processus.

Oui, si le processus est stable dans le temps.


Fonction deperte Taguchi

(Vue nouvelle)

Nominal

SPC - Maitrise statistique du ProcessusPrincipes fondamentaux d’amélioration


VariabilitéLe processus atteint-il ses objectifs de variabilité minimum ?On utilise la moyenne pour déterminer si le processus atteint sonobjectif, et la déviation standard (σ), pour connaître la répartition.

StabilitéQuelle est la performance du processus sur une durée donnée ?La stabilité est représentée par une variabilité moyenneconstante et prévisible dans le temps.

2520151050

75

70

65

Nombre d ’échantillons

E c h a n t i l l o n

m o y e n

Graphique à barres des X duprocessus A

X=70.91

LS C=77.20

LIC =64.62

2520151050

80

70

60

50

Nombred ’échantillons

E c h a n t i l l o n m o y e n

Graphique à barres desX du processus B

X=70.98

LSC=77.27

LIC=64.70


48/64

48

TRI

PAS DE TEMPSPOUR L'ANALYSE

IMPROVISATION

FABRICATIONMAL MAITRISEE

TEMPS PERDU

Avant SPCDétection

FABRICATIONMAITRISEE

SUIVI CONTINUPARAMETRES CRITIQUES

RECHERCHE DESSOLUTIONS

ANALYSE ETRECHERCHE DES

CAUSES

CHOIX SOLUTIONOPTIMALE

Depuis le SPC

Prévention

SPC - Maitrise statistique du ProcessusDétection / Prévention


Info.sur laperformance du procédé

Action surle procédé

PREVENTION

ACTION INFOPARAMETRE DE REGLAGE

Info. sur lerésultat de laproduction

Action surla production

DETECTION

CLIENT

Procédé


SPC - Maitrise statistique du ProcessusDétection / Prévention


49/64

49

SPC - Maitrise statistique du ProcessusEchantillonnage

Objectif : Obtenir une « image » d’une population sanscontrôler chaque élément la composant

Raisons d’utiliser l’échantillonnage :

La collecte de toutes les données n’est pas souvent pratique ouelle est trop onéreuse.

Quelque fois, la collecte des données est un processusdestructeur.

Des conclusions pertinentes peuvent souvent être tirées d’une

quantité relativement faible d’informations.


SPC - Maitrise statistique du ProcessusEchantillonnage - Population vs. échantillon

13/09/2011 98

Relation physique Population

Échantillon

Relation statistique

POPULATION

Échantillon



50/64


51/64

51

SPC - Maitrise statistique du ProcessusEchantillonnage - Taille d’échantillonnage


Données attributs par prélèvement (hors SPC)

n= t² x p(1-p)

m²

n = taille d'échantillon requiset = niveau de confiance à 95%, soit une valeur type de 1,96 (voirtable de Student en annexe 4)p =pourcentage estimatif pour le projetm = marge d'erreur à 5% (valeur type de 0,05)

Données variables par prélèvement (hors SPC)n= t² x σ 2

m²



Lors de la mise en place d’une stratégie SPC, on estappelé à se poser un certain nombre de questions:

Quel pourcentage de la population dois-je prélever ? Contrôle à100% ou par échantillons?

Quelle doit être la taille de mes échantillons ?

Dois-je prélever mon échantillon d’un seul coup (6 piècesconsécutives par exemple) ou pendant un temps donné (6 piècesen une heure par exemple)?

Quelle doit être la fréquence de mon prélèvement

Les logiciels SPC donnent certains outils pour déterminer uneffectif d’échantillon et, en partie, sa fréquence de prélèvement.


52/64

52



Le calcul de la taille fait intervenir :

la tolérance du produit,

le risque de refuser un produit conforme (risque α),

le risque d’accepter un produit non conforme (risque β),

le déréglage maximum admis en cours de production.

Courbes d’efficacité (OC curves) :

La courbe d’efficacité permet de déterminer l’effectif des

échantillons.Logiciels SPC

SPC - Maitrise statistique du ProcessusEchantillonnage - Fréquence d’échantillonnage


Les estimations de fréquence d’échantillonnages’appuient sur la notion de fréquence de déréglage duprocédé. Autrement dit, pour optimiser la fréquenced’échantillonnage, il faut connaître son procédé:

s’agit-t-il d’un déréglage à chaque changement de lot, de matièrepremière ou totalement aléatoire ?

Il existe certaines règles notamment celle recommandéepar l’AFNOR (NFX 06 031-0).

Indicateur : Période Opérationnelle Moyenne (P.O.M.)

La solution la plus simple et la plus cohérente est de seréférer à l’AMDEC.

Indicateur : Note d’occurence


53/64

53

Graphes de contrôle


Rappel de

statistiques

Principes

Introduction

à la mesure

Graphes de

contrôle

SPC

Etude de

Capabilité

13/09/2011 106

Graphes de contrôleDéfinition


Les graphes de contrôle sont des représentations graphiquesde la variation d’un processus sur la durée, permettant dedéterminer si un processus est sous ou hors contrôle.

Se concentrent sur la détection et le suivi des variations deprocessus sur la durée.

Distinguent les causes spéciales et communes de variationen tant qu’aide à la gestion locale ou globale.

Sont l’expression d’un langage commun de discussion de laperformance du processus.


54/64

54

13/09/2011 107

Graphes de contrôleComprendre les limites de contrôle


Limites de contrôle :Définies 3 écarts types au-dessus et en dessous de la lignemoyenne.

L’écart-type utilisé pour déterminer les limites de contrôle est estimé àpartir de l’écart moyen au sein des sous-groupes

Définies pour une durée délimitée quand le processus est “souscontrôle”

7,5

8,5

9,5

10,5

11,5

12,5

0 10 20 30

Limite supérieurede contrôle

Limite inférieurede contrôle

Moyenne

LSC = µ + 3σ

LIC = µ − 3σ

13/09/2011 108

Graphes de contrôleInterprétation

Par l’observation du graphe de contrôle d’un processus,au moyen de quelques règles de base, on peutdéterminer la qualité du contrôle statistique que l’on a surce processus.

Relativement à cet indicateur de qualité du contrôle, onparlera de processus :

“sous contrôle”

Ou

“hors contrôle”



55/64

55

13/09/2011 109

Graphes de contrôleProcessus “ sous contrôle ”

Performance du processus lorsque seulement unevariation aléatoire est évidente et lorsque les points dedonnées tombent entre les limites de contrôlesupérieures et inférieures.

7,5

8,5

9,5

10,5

11,5

12,5

0 10 20 30

7,5

8,5

9,5

10,5

11,5

12,5

0 10 20 30

Sous contrôle Hors contrôle


13/09/2011 110

Graphes de contrôleProcessus “ hors contrôle ”

Un processus est dit “hors contrôle” lorsqu’on détecte unmanque de contrôle statistique.

6 règles de base liées aux graphes de contrôle

permettent de déterminer si un processus est “horscontrôle”.



56/64

56

13/09/2011 111

Graphes de contrôleProcessus “ hors contrôle ” (suite)


1 point en dehors deslimites de contrôle à ± 3σ

2σ1σ

-1σ-2σ-3σ

LCS

LCI

3σ

7 point successifs du mêmecôté de la ligne médiane

2σ1σ

-1σ-2σ-3σ

3σ LCS

LCI

7 point successifscroissants ou décroissants

2σ1σ

-1σ-2σ-3σ

3σ LCS

LCI

2 de 3 points successifs à ±2σ du même côté de laligne médiane

2σ

1σ

-1σ

2σ1σ

-1σ-2σ-3σ

3σ LCS

LCI

4 de 5 points successifs à± 1σ du même côté de laligne médiane

2σ1σ

-1σ

-2σ

-3σ

2σ1σ

-1σ-2σ-3σ

3σ

LIC

LCS

LCI

Schéma non aléatoire (cycles,tendances, dispersioninhabituelle entre LCI & LCS)

2σ

1σ

-1σ

-2σ

2σ1σ

-1σ-2σ-3σ

3σ

LIC

LCS

LCI

13/09/2011 112

Graphes de contrôleLimites de contrôle et limites de spécification

5,5

6,5

7,5

8,5

9,5

10,5

11,5

12,5

13,5

0 10 20 30

+ 3σ

- 3σ

Limitesupérieure

de spécification Limite

supérieurede contrôle

Limiteinférieure

de contrôle

Limiteinférieure

de spécification

MoyenneNominal

Quelles différences ?



57/64

57

13/09/2011 113

Graphes de contrôleOutils de suivi du processus - Graphes de contrôle

Types de graphes de contrôle

Les cartes/graphes les plus fréquemment utilisés comprennent :

Données attribut

Graphe P

Graphe U

Remarque : On parlera de cartes aux attributs.

Données variables

Graphe I-MR

Graphe X barre/R


13/09/2011 114

Graphes de contrôleOutils de suivi du processus - Graphes de contrôle

Graphe P : représente la Proportion de défauts par lot

10 boites de sardines testés, un sertissage n’est pas conforme.PDPL = 10%

Minitab recalcule LCS/LCI

pour chaque point du graph.

S’applique à des tailles de lot(d’échantillon) constantes etnon-constantes



58/64

58

13/09/2011 115

Graphes de contrôle Outilsde suivi du processus - Graphes de contrôle

Graphe P : Remarque

On peut également trouver le calcul suivants des limites.


13/09/2011 116


Graphe U : représente le nombre d’Unités défectueusespar lot

100 boites de sardines testés, trois sertissages pas conformesNDPL = 3

S’applique à destailles d’échantillonconstantes et non- constantes

Moyenne 3,8défauts paréchantillon. Ons’intéresse àcette valeurpour déterminerles sourcesd’amélioration.



59/64

59

13/09/2011 117


Graphe I-MR : Individual - Moving Range (range mobile)

S’applique à des lotsde tailles égale à 1


13/09/2011 118


Graphe X barre/R : Moyenne / Range

S’applique àdes taillesd’échantillonconstantes etnon-constantes



60/64

60

Fin du module SPCRappel


Rappel de

statistiques

Principes

SPC

Etude de

Capabilité

Introduction

à la mesure

Graphes de

contrôle

ConclusionSPC - Limites & Atouts

LimitesDestiné aux moyenneset grandes séries

Nécessite un retour

rapide d'info pour êtreréactif en cas de dérive

Les mesures doiventêtre fiable et les cartesde contrôle refléter l'étatinstantané du procédé

Ne garantit pas le zérodéfaut (cause spéciale)

Plus efficace avec desdonnées variables


AtoutsRéduit les rejets, retouches,contrôles et retours

Améliore la productivité, la capabilité

des processus et la confiance clientDiminue les coûts opératoires

Favorise :

le travail en équipe, l'utilisation deméthodes de résolution de problème

Une approche données de la prisede décision

L’utilisation d’indicateurs communs

Facilite le management des procédés


61/64

61

SPC – Ce qu’il faut faireDu pire au meilleur

Utilisation du SPC sur des processus non capable

Utilisation du SPC sans formation adéquate !

Utilisation du SPC avec des opérateurs formés , maissans stratégie claire du management concernant le SPC(la production est la priorité N°1).

Utilisation du SPC avec des opérateurs formés et une stratégie SPC supportée par l’ensemble du management.Lorsqu’une carte de contrôle signale un problème, le plan

de réaction est appliquer.Action corrective de type Post Process Control quidétectera l’erreur et arrêtera l’équipement évitant lapropagation du défaut.


Annexe 2l’AMDEC

___ Système Resp onsa bilité d u procédé :__ _____ _____ ______ _ Nom/Num éro FMEA : ______ ______ ____ ______ _____ _

___ Sous -système Date clé : ____ _____ _____ _____ _ Préparé pa r : _______ _____ _____ _____ _____ _

___ Com posan t Date FMEA (Orig.): _____ _____ _____ (Rév.): ________ ____

Programme(s) Année(s) Modèle(s) : ___________ _________

Equipe : ____________________ Résultats des actions

Elément

Fonction

Mode de

défaillance

potentielle

Effet(s)

potentiel(s) de

défaillance

G

r

a

v

C

l

a

s

s

Cause de

défaillance

possible

O

c

c

Contrôles

actuels du

procédé

(Détect)

Contrôles

actuels du

procédé

(Prévent)

D

é

t

N

P

R

Action(s)

recommandées

Responsabilité

et date de fin

prévue

Actions

prises

G

r

a

v

O

c

c

D

é

t

N

P

R

Quelle

est

l'étape

du

procédé

?

Quelles

sont les non-

conformités

potentielles

sur

l'élément ou

la fonction ?

Quelles sont

les

conséquences

sur les

variables d e

sortie

(Besoins des

clients) ou

besoins

internes ?

Q u e l l e e s t l a g r a v i t é d e s

c o n s é q u e n c e s s u r l e c l i e n t ?

C C , S C , H I C

o u a u t r e s

Pourquoi

les non-

conformités

potentielles

sur

l'élément ou

la fonction

se

produisent ? Q u e l l e e s t l a f r é q u e n c e d e

s u r v e n u e d ' u n e c a u s e o u d ' u nQuels sont

les

contrôles et

les

procédures

existants

évitant le

mode

défaillance

?

Quels sont

les

contrôles et

les

procédures

existants

évitant la

cause du

mode

défaillance

? A q u e l p o i n t p o u v e z - v o u s d é t e c t e r

u n e c a u s e o u u n m o d e d e

G x O X DQuelles sont les

actions de

réduction de la

cause ou

d'amélioration

de la détection ?

Qui est

responsable

de l'action

recommandée

?

Quelles

sont les

actions

terminées

? Inclure

la date de

fin


Compréhension de la feuille de calcul AMDEC :


62/64

62

Annexe 2l’AMDEC - Notes de Gravité


Effet Critères : Gravité de l’effetCe classement a lieu lorsqu’un mode de dé faillance potentielle constitue un défaut pour le

client final et/ou pour l’usine d’assemblage. Le client final doit toujours être pris en compte enpremier. Si les deux se produisent, utilisez la gravité la plus élevée des deux .

Note

Effet affectant le client Et/ou effet affectant l’opération

Dangereuxsansavertissement

Risque de mettre l’opérateur (machine ouassemblage) en danger sans avertissement.

10

Dangereuxavecavertissement

Niveau de gravité très élevé quand un modede défaillance potentielle affecte la sécurité dufonctionnement du produit/service et/ouentraîne sa non-conformité vis-à-vis de lalégislation, sans avertissement.

Risque de mettre l’opérateur (machine ouassemblage) en danger avec avertissement.

9Niveau de gravité très élevé quand un modede défaillance potentielle affecte la sécurité dufonctionnement du produit/service et/ouentraîne sa non-conformité vis-à-vis de lalégislation, avec avertissement.

Très élevé 100 % du produit/service doit être mis au

rebut, ou produit/service doit êtrereconditionné avec un temps de réparationsupérieur à une heure .

8Produit/service inutilisable (perte de la

fonction première).

Élevé Le produit/service doit être trié et une partie(moins de 100 %) mise au rebut, ou leproduit/service doit être reconditionné en untemps d’une demi-heure à une heure.

7Produit/service utilisable mais à un niveauréduit de sa performance. Client trèsinsatisfait.

Annexe 2l’AMDEC - Notes de Gravité (suite)


Effet NoteEt/ou effet affectant l’ opération

Modéré 6

Faible

Produit/service utilisable mais deséléments de confort/commoditéinexploitables. Client insatisfait.

5Produit/service utilisable mais des

éléments de confort/commoditéexploitables à un niveau de performanceréduit. Client quelque peu insatisfait.

Très faible 4Ajustement - finitions/bruits insolites neconviennent pas. Défaut remarqué par laplupart des clients (plus de 75 %).

Mineur 3Ajustement - finitions/bruits insolites neconviennent pas. Défaut remarqué par 50pourcent des clients.

Très mineur 2Ajustement - finitions/bruits insolites nesont pas conformes. Défaut remarqué pardes clients avertis (moins de 25 %).

Aucun

Moins de 100 % du produit/service doit êtremise au rebut sans être triée, ou leproduit/service doit être reconditionné dansun temps inférieur à une demi-heure.

Moins de 100 % du produit/service doit être

reconditionné, ou le produit/service réparéhors ligne mais sans aller au serviceréparation.

Le produit/service doit être trié, sans mise aurebut, et une partie (moins de 100 %)reconditionnée.

Après la station, il est détecté que moins de100 % du produit/service doit êtrereconditionnée, sans mise au rebut.

Au poste de travail, il est détecté que moinsde 100 % du produit/service doit êtrereconditionnée, sans mise au rebut.

Ou léger inconvénient au niveau dufonctionnement ou de l’opérateur ou aucuneffet.

1Pas d’effet bien en évidence.

Effet affectant le client


63/64

63

Annexe 2l’AMDEC - Notes d’occurrence


Probabilité de défaillance Taux de défaillance probable Note

Très élevée :Défaillancespersistantes

> 100 par millier de pièces

50 par millier de pièces






0,5 par millier de pièces0,1 par millier de pièces

< 0,01 par millier de pièces

10

9

8

7

6

5

4

32

1

Élevée :Défaillances fréquentes

Modérée :Défaillancesoccasionnelles

Faible : relativement peude défaillances

Distante : défaillancepeu probable

Annexe 2l’AMDEC - Notes de détection


Détection NoteCritères A B C Plage suggérée des méthodes de détection

Presqueimpossible

Certitude absolue de ne pas détecter. 10

Très distante Les contrôles ne détecterontprobablement pas.

9

Distante Les contrôles ont peu de chances dedétecter.

8

Très faible Les contrôles ont peu de chances dedétecter. 7

Faible Les contrôles peuvent détecter. 6

Modérée Les contrôles peuvent détecter. 5

Modérémentélevée

Les contrôles ont un bon niveaude détection.

4

Très élevée Les contrôles sont presquecertains de détecter.

2

Très élevée Les contrôles sont certains dedétecter.

Impossible de détecter ou le contrôle n’a pas eu lieu.

Le contrôle est assuré uniquement par des contrôles indirects ou par prélévement.

Le contrôle est effectué uniquement par un contrôle visuel.

Le contrôle est effectué uniquement par un double contrôle visuel.

Le contrôle est assuré avec des méthodes, telles que SPC (Statistical ProcessControl).

Contrôle automatique (données variables) à la sortie de la station, OU évaluationGo/No Go réalisée sur 100 % des éléments à la sortie de la station.

Détection d’erreurs dans les opérations suivantes, OU contrôles par calibreréalisées au premier réglage et à la première pièce.

Détection d’erreurs à l’entrée de la station (inspection automatique avec dispositifd’arrêt automatique). Impossible d’accepter l’élément défaillant.

Les anomalies ne peuvent pas se produire à l’opération car dès la conception duprocessus ou du produit, l’élément est soumis à un système anti-erreur.

1

Élevée Les contrôles ont un bon niveaude détection.

3Détection d’erreur à l’entrée de la station ou détection d’erreur à l’opération.Impossible de passer à l’étape suivante.

Types de contrôle : A = Anti-erreur - B = Contrôle automatique - C = Contrôle par opérateur


64/64

Annexe 3Règles des indices requis selon ISO TS 16949


Annexe 3Table de Student

Documents

Support_de_cours_SPC_FI-2013 [Lecture Seule] [Mode de Compatibilité]